شبكة رسائل تفاعلية هرمية للتنبؤ الدقيق بخصائص الجزيئات

طرق مختصرة أذكى للعثور على أدوية أفضل

إيصال دواء جديد إلى السوق عملية بطيئة ومكلفة إلى حد كبير، جزئياً لأن الكيميائيين يضطرون لاختبار أعداد هائلة من الجزيئات في المختبر لمعرفة ما إذا كانت آمنة وفعالة وتتصرف جيداً داخل الجسم. تقدم هذه الدراسة نموذج ذكاء اصطناعي جديداً، أطلق عليه HimNet، مصمماً للتنبؤ بهذه الخصائص الحيوية الشبيهة بالدواء بدقة أعلى بكثير اعتماداً فقط على بنية الجزيء، ما يساعد العلماء على تركيز التجارب على المرشحين الأكثر واعداً.

لماذا من الصعب التنبؤ بسلوك الجزيئات

كل دواء محتمل يجب أن يستوفي قائمة تحقق صارمة تعرف باسم ADMET: كيفية امتصاصه وتوزيعه واستقلابِه وإخراجه، وما إذا كان ساماً. تعتمد النماذج الحاسوبية التقليدية إما على قواعد كيميائية مصممة يدوياً أو على أنظمة تعلم عميق ترى الجزيئات كشبكات بسيطة من الذرات والروابط. غالباً ما تفشل هذه الطرق القديمة في التقاط الكيفية التي تتفاعل بها أجزاء مختلفة من الجزيء بطرق دقيقة وغير تراكمية—مثلاً كيف قد تتراص حلقتان بعيدتان أو كيف يمكن لمجموعة قطبية على جانب واحد أن تضعف أثر بقعة دهنية على الجانب الآخر. نتيجة لذلك، قد تكون التنبؤات حول الذوبان أو السمية أو اختراق حاجز الدم–المخ غير موثوقة عندما يحاول الكيميائيون استكشاف مناطق جديدة من الفضاء الكيميائي.

النظر إلى الجزيئات على طبقات

يتعامل HimNet مع هذه المشكلة برؤية كل جزيء على عدة مستويات في آن واحد. على أدق مستوى يتتبع الذرات الفردية والروابط بينها. مستوى ثانٍ يجمع الذرات في «زخارف» ذات معنى كيميائي—مثل الحلقات العطرية أو المجموعات الحمضية—بينما يمثل مستوى ثالث وعالمي الجزيء بأكمله. يمرر HimNet المعلومات ذهاباً وإياباً عبر هذه الطبقات باستخدام آلية تمرير رسائل تفاعلية هرمية—بمعنى محادثة منظمة حيث تتواصل الذرات مع الزخارف، وتتواصل الزخارف مع بعضها، ويسهم كل شيء في صورة كلية لسلوك الجزيء. بالتوازي، يحلل النموذج أيضاً «بصمات» جزيئية قياسية، تمثيلات رقمية مدمجة مستخدمة على نطاق واسع في الكيمياء الدوائية، ويتعلم أي جوانب هذه البصمات أكثر اتساقاً عبر أوصاف مختلفة لنفس الجزيء.

تعليم النموذج على التركيز على ما يهم

فكرة مركزية في HimNet هي الانتباه: يتعلم النموذج إبراز الذرات والزخارف الأكثر أهمية لخاصية معينة وكيف تعزز تأثيراتها بعضها البعض أو تلغيها. يتتبع مسار واحد في الشبكة بعناية الروابط الكيميائية الفعلية، محافظاً على التفاصيل المحلية التي يثق بها الكيميائيون. يبني مسار ثانٍ «جسوراً» بعيدة المدى عبر الجزيء، مما يسمح للتجمعات البعيدة بالتفاعل حتى لو كانت مفصولة بعدة روابط. يمزج بوابة قابلة للتعلم بين هذين المسارين، موازنةً بين الاتصال الكيميائي الصارم والسياق العالمي المرن. تقوم وحدات إضافية بمحاذاة رؤية الرسم الطبقي مع رؤية البصمة، لتنتج تمثيلاً مضغوطاً نهائياً يجمع بين البنية الدقيقة والأنماط الكيميائية الأوسع.

وضع النهج تحت الاختبار

لاختبار فعالية هذا التصميم، قيّم المؤلفون HimNet على أحد عشر مجموعة بيانات تغطي مهاماً كثيرة ذات أهمية في اكتشاف الأدوية. شملت هذه معايير قياسية للسّمية، واختراق حاجز الدم–المخ، وخصائص فيزيائية أساسية مثل الذوبانية، بالإضافة إلى مشكلات عملية أكثر تحدياً مثل الثبات الأيضي، والنشاط المضاد للملاريا، وإزالة الكبد في أنواع مختلفة. في معظم هذه المهام، طابق HimNet أو تفوق على أفضل النماذج الموجودة، وغالباً بهامش واضح. ومن المهم أن يظل النموذج قوياً حتى على مجموعات بيانات صعبة، رغم أن الأداء انخفض بعض الشيء في مجموعات صغيرة جداً، أو صاخبة، أو غير متوازنة بشدة حيث تكافح أي طريقة. أظهرت دراسات الإزالة—إزالة أجزاء من البُنية بشكل منهجي—أن كل مكوّن، من الانتباه عبر المستويات إلى دمج البصمة، يساهم بشكل قابل للقياس في الدقة.

رؤية الكيمياء من خلال عيون النموذج

لأن HimNet يستخدم الانتباه على مستويات متعددة، يمكن تصور تنبؤاته بطرق يستطيع الكيميائيون تفسيرها. في دراسات حالة حول نفاذية حاجز الدم–المخ، ظلت مناطق الجزيء التي تزيد النفاذية مضاءة بألوان دافئة، بينما بدت الميزات التي تعيق النفاذية بألوان باردة. كانت الحلقات المحبة للماء والمجموعات المفلورة تميل إلى تعزيز النفاذية، بينما قللت المجموعات القطبية العالية، مثل الأحماض الكربوكسيلية أو بعض مراكز الكربونيل والنيتروجين، منها غالباً. بشكل لافت، عالج النموذج أحياناً حلقتين تبدوان متشابهتين بطريقة مختلفة اعتماداً على محيطهما، مما يعكس كيف يمكن للسياق الكيميائي الحقيقي أن يجعل جزءاً من الجزيء مفيداً وجزءاً آخر عائقاً.

ماذا يعني هذا للأدوية المستقبلية

بالنسبة لغير المتخصصين، الرسالة الأساسية أن HimNet يقدم طريقة أكثر دقة لقراءة الجزيئات بواسطة الذكاء الاصطناعي، ليس فقط كقوائم من الذرات بل كأجزاء تتفاعل معها سلوكيات مجتمعة تحدد ما إذا كان المركب من المرجح أن يكون دواءً جيداً. من خلال التقاط هذه التفاعلات متعددة الطبقات وشرح تركيزه بمصطلحات كيميائية معقولة، يمكن لـ HimNet مساعدة الباحثين على غربلة مكتبات افتراضية شاسعة بثقة أكبر. وعلى الرغم من أن الطريقة تتطلب مزيداً من الحسابات ولا تزال بحاجة لتوسعات للتعامل مع الشكل الثلاثي الأبعاد الكامل والجزيئات شديدة المرونة، فإنها تشير إلى أدوات أذكى وأكثر شفافية قد تقصر المسافة من فكرة جزيئية إلى دواء آمن وفعال.

الاستشهاد: Hong, H., Wu, X., Sun, H. et al. A hierarchical interaction message net for accurate molecular property prediction. Commun Chem 9, 150 (2026). https://doi.org/10.1038/s42004-026-01922-x

الكلمات المفتاحية: التنبؤ بخصائص الجزيئات, شبكات الرسوم العصبية, اكتشاف الأدوية, نمذجة ADMET, ذكاء اصطناعي قابل للتفسير